Voronoi Path Planning Technique for Recovering Communication in UAVs

一种恢复 UAVs 通信问题的 Voronoi 路径规划技术

Abstract

Communication between the Unmanned Airborne Vehicle (UAV) and the Ground Control Unit (GCU) could be lost at some instant of time due to severe weather conditions and/or Interference from other neighboring transmitters and/or receivers. This research is concerned with communication loss prevention through the application of spatial tessellations (partitions) algorithms. The map of the area in which the UAV is traveling is partitioned using Voronoi diagrams. Following this partitioning, it becomes easier to study the space from the viewpoint of good and bad service regions, or high and low Signal-to-Interferenceplus- Noise-Ratio (SINR). Using this information about the space, path planning could be enhanced by making skillful decisions about the closest trace-point in a path, with high SINR. Furthermore, interference obstacles could be avoided with substantial confidence

Abstract

无人驾驶飞机 (Unmanned Airborne Vehicle) 与地面控制站 (Groud Control Unit) 的通信，经常因为恶劣天气或是其他通信信道的干扰而中断。本文应用空间分拆算法 (spatial partitions algorithms) 来解决通信丢失的问题。采用 Voronoi 图表法分拆UAV 行进经过的地图区域。利用 Signal-to-Interferenceplus- Noise-Ratio (SINR) 指标的高低来判定区域，这样在地图上区分好的和坏的区域就变得容易。算法在路径规划时尽可能选择路径中具有高 SINR 值的区域，这样做还可以避免干扰的影响。

1.Introduction

UAVs 是远程遥控或者自动驾驶飞行器，能够携带例如摄像机、传感器和通信工具等。 UAV 与地面基站的可靠通信信道，对 UAVs 的任务能否完成非常关键。当 UAV 具有监视任务时，对于信道稳定性要求就更高， UAV 应该全程保持高 SINR 。但是，不幸的是，条件经常很难得到满足。有许多因素制约着 DL 信道，降低通信的质量。这些因素包括：恶劣的环境：例如高山区域或者是多雨或多云的天气，都会减弱通信信号。而且，邻近的通信信道可能形成噪声和干扰。

如果 DL 信道受到严重的干扰， UAV 任务就可能失败。这样情况下， UAV 需要转移到附近具有更好 SINR 的区域中去。注意必须是附近的，因为重新布置所花费的距离和时间都应该最小。而且，决策机制和重布置机制都应该自动完成。

本文提出了一种机制，用于 UAVs 的 DL 通信信道的重布置。该机制中包括一种算法，用于保证 UAVs 在任务过程保持与 GCU 高 SINR 通信，并且能够对于如何选择下一节点作出正确的决策。通常情况下，路径规划技术常常会导致牺牲好的通信信道，比如一条并非最短的路径或是限制了任务的范围等。本文提出的算法，灵感来自于称为 Vironoi 图表技术。 Voronoi 图表技术在历史上是一个有名的数学工具，运用该技术把空间划分为一系列的区域。

本文第一部分将介绍 Voronoi 的基本原理；第二部分讨论提出的机制；第三部分给出了仿真结果。

2. Mathematical Prelimininary

在一个m维离散空间给定一系列孤立的点，我们通过与点集合中附近的点保持联系，从而将整个点集联系起来。将区域划分为棋盘格状。图 1所示为一个二维点集的 Voronoi 图。

3 Proposed Mechanism

本文提出的机制是依据附近具有最高 SINR 值的相邻点，将UAV 的状态矢量空间划分为区域。划分是通过 Voronoi 棋盘格技术 tessellation 来实现的。围绕已知高 SINR 点来划分边界。通常情况下， UAV依据预先加载在其内存空间的路径移动；另一方面，当 UAV遇到差的 DL 通信信道的时候，它将移动到一个具有更好 SINR 值的区域。

移动的下一节点的确定，判断依据的是前面提到具有高 SINR 值的邻近区域。另一方面，如果 UAV遇到一个好的 DL通信信道，它将记录这个节点的位置，并且更新 Voronoi 地图。本文通过 Matlab 进行仿真，证明本机制能最小化重布置的时间和距离。

最初， UAV执行监视任务时，利用的是上一任务中形成的Voronoi 图。事实上应该假设监视区域是零信息的，增加机制的适应性和自学习能力。

图 2所示为再布置机制的流程图。默认情况下， UAV在没有遇到任何问题的情况下将按照指派的任务路径移动。当遇到严重干扰， UAV将利用手中的 Voronoi地图，选择选择附近具有高SINR 值的点。然后自动移动到该点，继续之前指派的路径。另一方面，如果 UAV获取具有高 SINR 值的点，将更新 Voronoi 图。

4.UAV Path Scenario

本文采用Matlab 仿真验证本文提出的算法。一个随机生成的任务路径分配到 UAV上。该任务包括 200个地点。假设这些地点具有如图3所示的 SINR 值。图中有3种颜色：灰色，表示低 SINR；黑色，表示中等 SINR；白色，代表高 SINR 。

本文假设 SINR 值是非动态的，在任务过程中不会改变。将来的研究将考虑让模型变得更加现实，让 SINR 值和通信信道动态的改变。在任务的开始阶段，分配 UAV部分的地图信息。这意味着 UAV 并不知道全部高 SINR 值的点的位置。

在任务过程中， UAV依据 Voronoi 图，当到达下一区域前作出判断，并且在任务过程中更新地图。在仿真的过程中，如果 UAV 能够探测出新的具有高 SINR 值得区域，将更新 Voronoi 地图，并利用 Voronoi 地图避开低 SINR 值的区域。

图 4显示 UAV 移动过程中的Voronoi 图的演化情况。

该图显示了在任务开始、过程中和结束的时候，实际的Voronoi 图。图 a能够只有少量的区域信息；当任务完成一半的时候，更多具有良好通信质量的区域被找到，如图 b所示。在任务结束的时候，查找的结果如图 c所示。从中我们可以得出结论：时间越长，更多有关区域的信息将被找到，通信的质量将越高。

图 5所示为过程之中 UAV 的瞬时 SINR 值。我们简单求取过程中的 SINR平均值，从图中可以清楚的看到， SINR 值在应用本文的机制后得到了增强。在没有应用本文的算法机制之前，评价的SINR 是 7.1dB,应用之后是 8.9Db.

5.结论

本文提出了一种机制，用于对 UAVs 进行路径规划，从而获取一个好的 DL 信道。机制采用 voronoi 图，以在空间里查找具有高 SINR 值的邻近节点。仿真结果证明机制的有效性。